传统分析与大数据分析的对比.docx

传统数据仓库分析 大数据分析 传统分析对已知的数据范围中好理解的数据进行分析。大多数数据仓库都有一个精致的提取、转换和加载(ETL)的流程和数据库限制，这意味着加载进数据仓库的数据是容易理解的，洗清过的，并符合业务的元数据。 大数据最大的优点是针对传统手段捕捉到的数据之外的非结构化数据。这意味着不能保证输入的数据是完整的，清洗过的和没有任何的错误。这使它更有挑战性，但同时它提供了在数据中获得更多的洞察力的范围。 传统分析是建立在关系数据模型之上的，主题之间的关系在系统内就已经被创立，而分析也在此基础上进行。 在典型的世界里，很难在所有的信息间以一种正式的方式建立关系，因此非结构化以图片、视频、移动产生的信息、无线射频识别（RFID）等的形式存在，被考虑进大数据分析。绝大多数的大数据分析数据库基于纵列数据库之外。 传统分析与大数据分析的对比全文共3页，当前为第1页。传统分析是定向的批处理，而且我们在获得所需的洞察力之前需要每晚等待提取、转换和加载（ETL）以及转换工作的完成。 传统分析与大数据分析的对比全文共3页，当前为第1页。 大数据分析是利用对数据有意义的软件的支持针对于数据的实时分析。 在一个传统的分析系统中，平行是通过昂贵的硬件，如大规模并行处理（MPP）系统和/或对称多处理（SMP）系统来实现的。 当在市场上有大数据分析的应用系统时，它同样可以通过通用的硬件和新一代的分析软件，像Hadoop或其他分析数据库来实现。 主要的IT公司对分析软件和应用系统供应商的购买已经成为一种日常现象。我们已经看到"大数据分析"这个词汇被使用在许多企业的解决方案中。 "大数据"是用来表示大量的没有按照传统的相关格式存储在企业数据库中的非结构化数据的总术语。以下是大数据的一般特点。 数据存储量相对于当前企业TB（TERA BYTES）字节的存储限制，定义在PB（PETA BYTES）字节，EXA字节以及更高的容量顺序。 通常它被认为是非结构化数据，并不适合企业已经习惯使用的关系型数据库之下 数据的生成使用的是数据输入非传统的手段，像无线射频识别（RFID），传感器网络等。 数据对时间敏感，且由数据的收集与相关的时区组成。 在过去，专业术语"分析"应用于商业智能（BI）世界来提供工具和智能，通过对各种各样可能的信息视角的快速的、一致的、交互式访问获得洞察力。 与分析的概念非常接近，数据挖掘已经应用于企业以保持关键监测和海量信息的分析。最大的挑战就是如何通过大量的数据挖掘出所有的隐藏信息。 传统数据仓库（DW）分析相对于大数据分析 企业数据的分析朝着在一段时间内在那种内容中的信息的有意义的洞察，是大数据分析区别于传统数据仓库分析的原因所在。下表总结了一些它们之间的差别。 传统分析与大数据分析的对比全文共3页，当前为第2页。 大数据分析用例 基于用例，企业可以理解大数据分析的价值和在大数据分析的帮助下如何解决传统的问题。以下是一些用法。 客户满意度和保证分析：也许这是基于产品的企业所担心的最大的一个领域。在当今时代，没有一个清晰的方式来衡量产品的问题和与客户满意度相关的问题，除非他们以一个正式的方式出现在一个电子表格中。 信息质量方面，它是通过各种外部渠道收集的，而且大多数时候的数据没有清洗 因为数据是非结构化数据，无法关联相关的问题，所以长期的解决方案提供给客户 分类和分组的问题陈述都缺失了，导致企业不能对问题进行分组 从上面的讨论中，对客户满意度和保证分析使用大数据分析将帮助企业在急需的客户注意力设置中获得洞察力，并有效地解决他们的问题以及在他们的新产品线上避免这些问题。 竞争对手的市场渗透率分析：在今天高度竞争的经济环境下，我们需要通过一种实时分析对竞争者强大的区域和他们的痛点进行衡量。这种信息是可适用于各种各样的网站、社交媒体网站和其他公共领域。对这种数据的大数据分析可以向企业提供关于他们产品线的优势、劣势、机遇、威胁等非常需要的信息。 医疗保健/流行病的研究和控制：流行病和像流感这样的季节性疾病在人群中以一定的模式开始，如果没有及早发现和控制，它们就会传播到更大的区域。这对发展中以及发达的国家都是一个最大的挑战。当前绝大部分时间的问题是人们之间的症状各异，而且不同的医护人员治疗他们的方法也不同。人群中也没有一种常见的症状分类。在这种典型的非结构化数据上采用大数据分析将有助于地方ZF有效地应对疫情的情况。 产品功能和用法分析：大多数产品企业，尤其是消费品，不断在他们的产品线上增加许多功能，但有可能一些功能不会真正地被顾客所使用，而有些功能则更多地被使用，对这种通过各种移动设备和其它基于无线射频识别（RFID）输入捕捉到的数据的有效分析，可以为产品企业提供有价值的洞察力。 未来方向的分析：研究小组分析在各种业务中的趋势，而这种信息通过行业 大数据分析与传统分析之间的主要差异在于数据处理方式、数据类型、实时性以及技术架构。传统分析侧重于已知和结构化的数据，通过精心设计的ETL过程，将数据转化为易于理解的形式，通常依赖于关系数据库。这种方法对于预定义的问题和业务规则提供了精确的解答，但对非结构化数据的处理能力有限。 相比之下，大数据分析则接纳更广泛的非结构化数据，如图片、视频、社交媒体数据和传感器数据等，这些数据往往未经清洗，可能存在不完整性和错误。大数据分析采用如Hadoop等新型数据库系统，能够处理PB级甚至更大规模的数据。它强调实时或近实时的分析，利用分布式计算技术在普通硬件上实现高并发处理。 大数据分析提供了更深入的洞察力，尤其是在非结构化数据中发现隐藏模式和趋势。例如，通过分析客户满意度，企业能及时了解产品问题和客户需求；通过分析竞争对手的市场渗透率，企业能快速响应市场动态，调整策略；在医疗保健领域，大数据可用于流行病研究，帮助预测和控制疾病传播；而在产品功能分析中，大数据能帮助企业识别哪些功能真正被用户使用，优化产品设计。 传统分析系统往往依赖于昂贵的硬件，如MPP和SMP系统，而大数据分析则倾向于使用成本效益高的通用硬件和开源软件。随着大数据分析软件和应用系统的普及，企业纷纷将其纳入解决方案，以提高决策效率和业务洞察。 总结来说，大数据分析扩展了分析的边界，增强了对非结构化数据的理解，提升了分析的实时性，并降低了硬件成本。传统分析与大数据分析相辅相成，前者在特定场景下仍具有价值，后者则为现代商业环境提供了新的分析范式，为企业提供了更全面、更深入的决策依据。在未来，随着数据量的持续增长和分析技术的进步，大数据分析将在各个行业中发挥越来越重要的作用。